近年來(lái),隨著大數(shù)據(jù)時(shí)代的到來(lái),數(shù)據(jù)挖掘成為了各類專家學(xué)者的研究熱點(diǎn),伴隨著數(shù)據(jù)挖掘的不斷興起,推薦系統(tǒng)作為數(shù)據(jù)挖掘技術(shù)的一個(gè)重要分支,也得到了越來(lái)越多的關(guān)注。推薦系統(tǒng)可以向用戶提供精確地推薦服務(wù),特別是在電子商務(wù)領(lǐng)域,各類推薦算法扮演著越來(lái)越重要的角色。在各類推薦算法中,傳統(tǒng)的推薦算法和基于深度模型的算法已被廣泛研究。傳統(tǒng)的推薦算法和基于深度模型的推薦算法已被無(wú)數(shù)的研究證實(shí)可以提高推薦的準(zhǔn)確性,還有一些研究學(xué)者將兩種方式結(jié)合在一起,形成優(yōu)勢(shì)互補(bǔ),使得推薦精度進(jìn)一步提高,但是這些混合算法中仍然存在數(shù)據(jù)稀疏和冷啟動(dòng)問題。再者,對(duì)于基于用戶交互序列的個(gè)性化推薦系統(tǒng)來(lái)說,現(xiàn)有的基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦算法存在著無(wú)法充分挖掘用戶交互序列中隱含的用戶興趣等問題。因此,為了解決上述問題以提高個(gè)性化推薦算法在電子商務(wù)領(lǐng)域的推薦準(zhǔn)確性,我們進(jìn)行了以下研究。本文所進(jìn)行的具體工作內(nèi)容和主要?jiǎng)?chuàng)新點(diǎn)如下:1.本論文首先介紹了本文的研究背景、研究意義以及國(guó)內(nèi)外傳統(tǒng)推薦算法和基于神經(jīng)網(wǎng)絡(luò)的推薦算法研究現(xiàn)狀。然后闡述了推薦系統(tǒng)領(lǐng)域的相關(guān)技術(shù),其中包括循環(huán)神經(jīng)網(wǎng)絡(luò)相關(guān)模型和注意力機(jī)制。最后,本文詳細(xì)設(shè)計(jì)了一種基于注意力機(jī)... 

【文章來(lái)源】：山東師范大學(xué)山東省

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)推薦算法分類波器的所有卷積結(jié)果進(jìn)行最大池化，通過取最大的值來(lái)捕獲過濾器提取的最明顯的特征

推薦系統(tǒng)作為是數(shù)據(jù)挖掘技術(shù)的一個(gè)重要分支，不同于其它技術(shù)，商品個(gè)性化推薦系統(tǒng)具有交互性和實(shí)時(shí)性的特點(diǎn)。商品個(gè)性化推薦系統(tǒng)的實(shí)時(shí)性是指系統(tǒng)可以不僅通過用戶的歷史記錄而且通過用戶當(dāng)前一段時(shí)間的交互行為對(duì)用戶進(jìn)行個(gè)性化推薦；商品個(gè)性化推薦系統(tǒng)的交互性是指系統(tǒng)可以根據(jù)用戶的反應(yīng)進(jìn)行推薦結(jié)果反饋，并不斷的優(yōu)化推薦結(jié)果。個(gè)性化推薦模型首先根據(jù)用戶的歷史交互序列提取出用戶的興趣，然后將用戶興趣和待推薦項(xiàng)目的特征運(yùn)用推薦算法進(jìn)行計(jì)算，最后將計(jì)算結(jié)果返回給用戶。個(gè)性化推薦系統(tǒng)工作原理圖如圖21所示。圖2-1個(gè)性化推薦系統(tǒng)工作原理圖

山東師范大學(xué)碩士學(xué)位論文82.2循環(huán)神經(jīng)網(wǎng)絡(luò)及基于循環(huán)神經(jīng)網(wǎng)絡(luò)的相關(guān)模型2.2.1循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetwork，RNN)的概念由Williams等人在文獻(xiàn)[35]中提出，由于RNN能夠建模序列數(shù)據(jù)在不同時(shí)刻數(shù)據(jù)之間的依賴關(guān)系，因此提出之后便開始廣泛應(yīng)用于個(gè)性化推薦中。從網(wǎng)絡(luò)結(jié)構(gòu)上來(lái)說，RNN是由不斷進(jìn)行重復(fù)迭代的單元組成的，每個(gè)單元中不僅包含當(dāng)前的信息還包含之前的信息，并且每個(gè)單元的輸出都會(huì)受到之前信息的影響。也就是說，RNN的隱藏層之間的結(jié)點(diǎn)不是相互獨(dú)立的而是有連接的，在隱藏層中，每個(gè)節(jié)點(diǎn)包含的數(shù)據(jù)不僅包含本時(shí)刻輸入層的輸入，而且包含上一個(gè)節(jié)點(diǎn)的輸出。RNN的模型示意圖如下：圖2-2RNN模型示意圖如圖2-2，左邊是RNN的整體結(jié)構(gòu)圖，右邊是在時(shí)間軸上展開的結(jié)構(gòu)圖，其中tx是第t步的輸入，ts為隱藏層第t步的狀態(tài)，它是網(wǎng)絡(luò)的記憶單元，to是第t步的輸出，U、V和W為三個(gè)權(quán)重矩陣，分別表示輸入和隱藏層間的權(quán)重矩陣、隱藏層和輸出間的權(quán)重矩陣以及t時(shí)刻和t+1時(shí)刻隱藏層間的權(quán)重矩陣。不同于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中每個(gè)網(wǎng)絡(luò)層中不共享參數(shù)，在RNN中，每輸入一步，每一層各自都共享參數(shù)U,V,W。由于參數(shù)的共享導(dǎo)致了網(wǎng)絡(luò)中需要學(xué)習(xí)的參數(shù)個(gè)數(shù)大大降低，也說明了RNN的每一步除了輸入不同之外，本質(zhì)上是在做同樣的事情。RNN可由如下公式所示：)tanh(1tttWsUsx(2.1))max(ttVssofto1(2.2)由于RNN已經(jīng)在實(shí)踐中被證實(shí)在序列化數(shù)據(jù)建模方面具有強(qiáng)大的能力，同時(shí)也已經(jīng)在詞性標(biāo)注、機(jī)器翻譯以及推薦系統(tǒng)等方面[25,36,37]得到廣泛應(yīng)用。

【參考文獻(xiàn)】：
期刊論文
[1]基于注意力卷積的神經(jīng)機(jī)器翻譯[J]. 汪琪,段湘煜.  計(jì)算機(jī)科學(xué). 2018(11)
[2]基于改進(jìn)聚類和矩陣分解的協(xié)同過濾推薦算法[J]. 王永貴,宋真真,肖成龍.  計(jì)算機(jī)應(yīng)用. 2018(04)
[3]結(jié)合概率矩陣分解的混合型推薦算法[J]. 楊豐瑞,鄭云俊,張昌.  計(jì)算機(jī)應(yīng)用. 2018(03)
[4]談?wù)劇巴扑]系統(tǒng)”和“搜索引擎”[J]. 陳運(yùn)文.  計(jì)算機(jī)與網(wǎng)絡(luò). 2017(24)
[5]個(gè)性化推薦系統(tǒng)綜述[J]. 王國(guó)霞,劉賀平.  計(jì)算機(jī)工程與應(yīng)用. 2012(07)



本文編號(hào)：3396610